使用Python安排Google Cloud Dataflow作业

Question

目前，这些是我知道的安排Dataflow工作执行的选项 ：

• 使用App Engine Cron服务或云功能。

  • 这个例子是用Java编写的，Python有什么官方例子很简单吗？
  • 这个例子是Python，但我不确定目前是不是一个好的选择或“弃用”

• 来自计算引擎中的cron作业

  • 任何教程吗？

• 在流式传输管道中使用窗口

  • 我认为这是最简单的，但总成本是最好的想法吗？

• 云计划程序

  • 这是一种有效的方法吗？

Answer 1

我使用App Engine Flex作为我的Dataflow启动器。 这个微服务具有按需启动数据流作业的端点，cron也可以这样做。

这是我的项目结构：

df_tasks/
- __init__.py
- datastore_to_csv.py
- ...other_piplines
__init__.py
dflaunch.yaml
main.py
setup.py <-- used by pipelines

对我而言，这个技巧就是正确设置我的管道依赖项。 即，使用setup.py进行管道依赖。 像这个例子一样设置它最有帮助： https ： //github.com/apache/beam/tree/master/sdks/python/apache_beam/examples/complete/juliaset

setup.py：

import setuptools

setuptools.setup(
    name='dataflow_python_pipeline',
    version='1.0.0',
    description='DataFlow Python Pipeline',
    packages=setuptools.find_packages(),
)

我在df_tasks pipline配置看起来像这样：

pipeline_options = PipelineOptions.from_dictionary({
        'project': project,
        'runner': 'DataflowRunner',
        'staging_location': bucket_path+'/staging',
        'temp_location': bucket_path+'/temp',
        'setup_file': './setup.py'
    })

然后在main.py中：

from df_tasks import datastore_to_csv

project_id = os.environ['GCLOUD_PROJECT']

@app.route('/datastore-to-csv', methods=['POST'])
def df_day_summary():
    # Extract Payload
        payload = request.get_json()
        model = payload['model']
        for_date = datetime.datetime.strptime(payload['for_date'], '%Y/%m/%d')
    except Exception as e:
        print traceback.format_exc()
        return traceback.format_exc()
    # launch the job
    try:
        job_id, job_name = datastore_to_csv.run(
            project=project_id,
            model=model,
            for_date=for_date,
        )
        # return the job id
        return jsonify({'jobId': job_id, 'jobName': job_name})
    except Exception as e:
        print traceback.format_exc()
        return traceback.format_exc()

Answer 2

有多种方法，但我认为非常方便的方法是使用Apache Airflow的DataflowPythonOperator 。

GCP以Cloud Composer的形式为Apache Airflow提供托管服务，您可以使用它来安排Dataflow管道或其他GCP操作。